Spark SQL 入门应用 DataFrames

目录

一sparkSQL简介

二DSL风格应用

三SQL风格语法

---

一sparkSQL简介

• 什么是Spark SQL

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。

• 为什么要学习Spark SQL

我们已经学习了Hive，它是将Hive SQL转换成MapReduce然后提交到集群上执行，大大简化了编写MapReduce的程序的复杂性，由于MapReduce这种计算模型执行效率比较慢。所有Spark SQL的应运而生，它是将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！

1.易整合

2 统一的数据访问方式

3 兼容Hive

4 标准的数据连接

• 什么是DataFrames

与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。同时，与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）。从API易用性的角度上 看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。由于与R和Pandas的DataFrame类似，Spark DataFrame很好地继承了传统单机数据分析的开发体验。

在Spark SQL中SQLContext是创建DataFrames和执行SQL的入口，在spark-1.5.2中已经内置了一个sqlContext

二DSL风格应用

• 在本地创建一个文件，有三列，分别是id、name、age，用空格分隔，然后上传到hdfs上

person.text 文件内容

1 chenzhendong 18
2 chenzhenjia 16
3 chenhaoming 10

上传到  hdfs

hdfs dfs -put person.txt /

• 启动sparkShell

/usr/spark-2.4.3/bin/spark-shell master spark://hadoop1.com:7077 executor-memory 512m --total-executor-cores 1

sparksql常用方法

val lineRDD = sc.textFile("hdfs://hadoop1.com:9000/person.txt").map(_.split(" "))
case class Person(id:Int, name:String, age:Int)
val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
val personDF = personRDD.toDF
personDF.show

personDF.select(personDF.col("name")).show		//显示name
personDF.select(col("name"), col("age")).show	//显示name
personDF.select("name").show					//显示name

personDF.printSchema		//打印DataFrame的Schema信息

personDF.select(col("id"), col("name"), col("age") + 1).show		//查询所有的name和age，并将age+1
personDF.select(personDF("id"), personDF("name"), personDF("age") + 1).show  //col("id")这是选择这一行的,personDF("name")这是聚合结果

personDF.filter(col("age") >= 18).show		//过滤age大于等于18的

personDF.groupBy("age").count().show()	//按年龄进行分组并统计相同年龄的人数

spark.sqlContext.sql("select * from t_person order by age desc limit 2").show //查询年龄最大的前两名  Spark2.X.X后，想要在Spark-shell中运行这个命令，你需要使用spark.sqlContext.sql()的形式。

三SQL风格语法

personDF.registerTempTable("t_person") //如果想使用SQL风格的语法，需要将DataFrame注册成表

sqlContext.sql("select * from t_person order by age desc limit 2").show //查询年龄最大的前两名

sqlContext.sql("desc t_person").show //显示表的Schema信息